El 95% de los proyectos de IA fracasa. No es culpa del modelo.

¿Por qué la conversación en los comités ejecutivos pasó de la euforia a la decepción? — y ¿Qué están haciendo distinto las empresas del 5% restante?

Hay una conversación que está ocurriendo en silencio en muchos comités ejecutivos de Latinoamérica: la decepción con la inteligencia artificial. Después de tres años de inversión récord, promesas grandilocuentes y pilotos vistosos, los CEOs empiezan a hacer una pregunta incómoda en sus reuniones de directorio: ¿por qué seguimos invirtiendo en IA si no vemos retorno?

La respuesta más honesta, según los datos disponibles a inicios de 2026, es también la más perturbadora. El gasto global en IA empresarial alcanzó USD 30.900 millones solo en la primera mitad de 2025, según Project NANDA del MIT. Y sin embargo, el 95% de las organizaciones que invirtieron en IA generativa empresarial no han obtenido retorno financiero medible. Solo el 5% de los pilotos genera ingresos significativos. El resto se estanca antes de llegar a producción.

La cifra impacta. Pero la conclusión que sacan la mayoría de los directorios es equivocada.

La falsa hipótesis

Cuando un proyecto de IA fracasa, el reflejo organizacional es buscar culpables conocidos: el modelo no era lo suficientemente bueno, faltó talento especializado, el presupuesto se quedó corto, el proveedor prometió de más. Son explicaciones cómodas porque son corregibles con más dinero: contrato otro consultor, suscribo otra plataforma, aprendo del próximo framework.

Los datos cuentan otra historia. El 70% de los desafíos en proyectos de IA proviene de problemas de datos y procesos, no de los modelos, según un análisis de MIT Sloan Management Review. El estudio del MIT NANDA llega más lejos y bautiza el fenómeno como “brecha de aprendizaje”: las herramientas genéricas se estancan en pilotos porque no se integran con los flujos de trabajo ni con los datos de la organización.

Traducido al lenguaje del directorio: no es que la IA no funcione. Es que la IA, sin acceso a los datos correctos en el momento correcto, no puede funcionar en ningún lado. Y la mayoría de las empresas no tiene esa base instalada.

El 70% de los desafíos en proyectos de IA proviene de problemas de datos y procesos, no de los modelos.

Tres señales que deberían encender alarmas

Antes de aprobar el próximo presupuesto de IA, un directorio responsable debería revisar tres señales operativas. No son métricas técnicas: son síntomas observables desde el negocio.

Primera señal: el tiempo que demora una decisión basada en datos.

Si un gerente comercial pide cruzar información de ventas, marketing y servicio al cliente, y la respuesta tarda más de un día hábil, la organización ya tiene un problema estructural. No es lentitud del equipo de datos: es que los datos viven en sistemas que no conversan. Un modelo de IA, por sofisticado que sea, hereda esa fricción multiplicada por mil.

Segunda señal: cuántos pilotos llegan a producción.

Solo el 11% de las organizaciones ha logrado escalar implementaciones de IA generativa más allá de pilotos exploratorios, según Cloud Reality Check 2025 de NTT Data con MIT Technology Review Insights. Si en su empresa los pilotos se acumulan en presentaciones de PowerPoint pero no aparecen en estados de resultados, la pregunta no es sobre los pilotos. Es sobre la arquitectura que debería sostenerlos.

Tercera señal: cuánto tiempo dedican sus data scientists a modelar.

Si la respuesta honesta es menos del 40%, su organización está pagando salarios de especialistas para que limpien datos. La estimación clásica de la industria —validada desde Anaconda 2020 hasta análisis recientes— sitúa entre el 60% y el 80% el tiempo dedicado a preparar datos en lugar de modelar. Eso no es un problema de productividad. Es un síntoma de que la base no está lista.

La pregunta incómoda

Si su CIO o CDO le pide aprobar otro proyecto de IA en el próximo comité, hay una pregunta que debería formular antes de firmar:

¿Qué cambió en nuestra infraestructura de datos desde el último piloto que no llegó a producción?

Si la respuesta es “nada, pero este caso de uso es diferente”, el resultado también va a ser el mismo. El 42% de las empresas abandonó la mayoría de sus iniciativas de IA en 2024 —frente al 17% del año anterior, según S&P Global Market Intelligence— precisamente porque siguieron aprobando casos de uso sobre la misma base rota.

La paradoja es que las organizaciones que sí están capturando valor con IA no lo lograron contratando mejor talento ni suscribiendo modelos más potentes. Lo lograron porque hicieron antes el trabajo invisible: integraron sus datos, modernizaron sus sistemas críticos, abrieron APIs, definieron gobierno. Los líderes en IA capturan 2,5 veces más valor que los rezagados de la misma industria, según Boston Consulting Group. La brecha es exponencial, no lineal. Y se está abriendo.

Modernizar no es lo que viene después de la IA

La tesis que propongo es contraintuitiva para muchos directorios: la modernización no es lo que viene después de la IA. Es la condición previa para que la IA exista.

Durante años, los proyectos de modernización tecnológica se vendieron en los comités con argumentos defensivos: reducir costos, mitigar riesgos, evitar obsolescencia. Argumentos válidos, pero poco emocionantes. La IA cambió el cálculo. Ya no se trata de modernizar para no quedarse atrás en eficiencia. Se trata de modernizar para que el próximo proyecto de IA tenga alguna posibilidad de llegar a producción.

Las empresas que migraron a infraestructura cloud moderna reportan hasta 50% de ahorro en costos operativos a cinco años y 43% más velocidad de lanzamiento al mercado, según IDC. Esas eficiencias —no marginales, estructurales— son las que liberan capacidad financiera y operativa para construir IA significativa. Sin esa base, cada nuevo proyecto de IA es un experimento caro que va a engrosar la estadística del 95%.

El diagnóstico tiene tratamiento

El dato del 95% no es una sentencia. Es un diagnóstico. Y los diagnósticos tienen tratamiento.

El tratamiento no es contratar al gurú del momento ni suscribir la plataforma más reciente. Es hacer el trabajo que el mercado evita porque no es vistoso: revisar los cimientos, integrar los datos atrapados en silos, modernizar las aplicaciones monolíticas que no exponen información, definir responsabilidades claras sobre cada dominio de datos. Construir, en definitiva, la base sobre la cual la IA —la actual y la de los próximos diez años— pueda finalmente vivir.

El próximo comité ejecutivo donde se discuta IA es una oportunidad. No para aprobar otro piloto. Para hacer la pregunta correcta.

---

Este artículo es parte de la serie Cloud con Criterio.

Este artículo es parte de Cloud con Criterio, la serie editorial de ARKHO para líderes que toman decisiones sobre transformación digital. Cinco ebooks que abordan, con honestidad periodística y profundidad técnica, los cinco temas que definen una migración exitosa a la nube: IA, migración, modernización, business case y stakeholder management.

Porque en la nube, las buenas decisiones no se toman por moda. Se toman con criterio.